一种基于预测用户工作负载的深度强化学习云平台资源调整方法

本发明涉及云计算技术领域，提供了一种基于预测用户工作负载的深度强化学习云平台资源调整方法。该方法旨在解决传统响应式资源调整策略中，因无法预知负载变化而导致的调整滞后性问题，从而有效降低服务级别目标(SLO)违规率并提升资源利用率。主要方案包括：首先通过长短期记忆网络(LSTM)预测未来工作负载趋势；然后将预测结果与当前系统状态(如响应延时、副本数)相结合，作为深度强化学习智能体的输入；该智能体通过策略网络输出资源调整动作；最后根据一个综合了服务质量、资源成本和调整稳定性的复合收益函数来优化决策模型。本发明可广泛应用于微服务架构下的云原生应用，实现自动化、前瞻性的弹性资源伸缩管理。